AGIEval

AGIEval

全面评估AI模型人类认知能力的基准测试

AGIEval是一个评估AI基础模型人类认知能力的综合基准。它包含20个源自高标准入学和资格考试的任务,涉及多个领域。AGIEval提供完整数据集、基线系统评估和详细评估方法,是衡量AI模型综合能力的权威工具。最新版本支持多语言评估,并设有完整排行榜,为研究人员提供了全面的AI模型能力评估平台。

AGIEval基准测试基础模型人工智能评估自然语言处理Github开源项目

AGIEval

本仓库包含有关AGIEval的信息、数据、代码以及基准系统的输出结果。

简介

AGIEval是一个以人为中心的基准测试,专门设计用于评估基础模型在与人类认知和问题解决相关任务中的通用能力。 该基准测试源自20个面向普通人类考生的官方、公开、高标准的入学和资格考试,如普通大学入学考试(例如中国高考和美国SAT)、法学院入学考试、数学竞赛、律师资格考试和国家公务员考试。 有关该基准测试的完整描述,请参阅我们的论文:AGIEval:评估基础模型的以人为中心的基准测试

任务和数据

我们已将数据集更新至1.1版本。新版本更新了2023年的中国高考(化学、生物、物理)数据集,并解决了注释问题。为了便于评估,现在所有多项选择题(MCQ)任务只有一个答案(高考物理和JEC-QA以前有多标签答案)。AGIEval-en数据集与1.0版本保持不变。新版本的统计数据如下:

AGIEval v1.1包含20个任务,其中18个MCQ任务和两个完形填空任务(高考数学完形填空和MATH)。您可以在下表中找到完整的任务列表。 AGIEVal中使用的数据集

您可以在data/v1_1文件夹中下载所有后处理的数据。所有数据的使用都应遵循原始数据集的许可。

所有数据集的数据格式如下:

{
    "passage": null,
    "question": "设集合 $A=\\{x \\mid x \\geq 1\\}, B=\\{x \\mid-1<x<2\\}$, 则 $A \\cap B=$ ($\\quad$)\\\\\n",
    "options": ["(A)$\\{x \\mid x>-1\\}$", 
        "(B)$\\{x \\mid x \\geq 1\\}$", 
        "(C)$\\{x \\mid-1<x<1\\}$", 
        "(D)$\\{x \\mid 1 \\leq x<2\\}$"
        ],
    "label": "D",
    "answer": null
}

passage字段适用于高考语文、高考英语、两个logiqa、所有LSAT和SAT。多项选择题的答案保存在label字段中。完形填空题的答案保存在answer字段中。

我们在data/few_shot_prompts文件中提供了少样本学习的提示。

基准系统

我们评估了基准系统(gpt-3.5-turbo和GPT-4o)在AGIEval v1.1上的性能。 结果如下:

AGIEVal中使用的数据集

您可以按照以下步骤复现结果:

  1. openai_api.py文件中更新您的OpenAI API。
  2. 运行run_prediction.py脚本以获取结果。

评估

您可以运行post_process_and_evaluation.py文件以获取评估结果。

排行榜

我们报告了AGIEval v1.1的排行榜。排行榜包含两个子集AGIEval-en和AGIEval-zh。这两个子集排行榜仅包含MCQ任务。排行榜如下:

AGIEval-en 少样本

模型来源平均分
GPT-4o链接71.4
Llama 3 400B+链接69.9
Llama 3 70B链接63
Mixtral 8x22B链接61.2
GPT-3.5-Turbo链接52.7
Llama 3 8B链接45.9
Gemma 7B链接44.9
Mistral 7B链接44

AGIEval-zh 少样本

模型来源平均分
GPT-4o链接71.9
GPT-3.5-Turbo链接49.5

AGIEval-all 少样本

模型来源平均分
GPT-4o链接69.0
GPT-3.5-Turbo链接47.2

AGIEval-en 零样本

模型来源平均分
GPT-4o链接65.2
GPT-3.5-Turbo链接54.1

AGIEval-zh 零样本测试

模型来源平均分
GPT-4o链接63.3
GPT-3.5-Turbo链接45.0

AGIEval-all 零样本测试

(带星号的结果为AGIEval v1.0版本的报告结果。)

模型来源平均分
GPT-4o链接62.3
InternLM2-20B*链接53.0
Qwen-14B*链接52.0
Phi-3-medium 14b*链接50.2
InternLM2-Chat-7B-SFT*链接49.0
GPT-3.5-Turbo链接46.0
Qwen-7B*链接45.6
Mixtral 8x7b*链接45.2
Phi-3-small 7b*链接45.1
Gemma 7b*链接42.1
Llama-3-In*链接42.0
Phi-3-mini 3.8b*链接37.5
Mistral 7b*链接35.1
Phi-2 2.7b*链接29.8

引用

如果您在研究中使用了AGIEval基准测试或相关代码,请引用我们的论文:

@misc{zhong2023agieval,
      title={AGIEval: A Human-Centric Benchmark for Evaluating Foundation Models}, 
      author={Wanjun Zhong and Ruixiang Cui and Yiduo Guo and Yaobo Liang and Shuai Lu and Yanlin Wang and Amin Saied and Weizhu Chen and Nan Duan},
      year={2023},
      eprint={2304.06364},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

贡献

本项目欢迎贡献和建议。大多数贡献都要求您同意贡献者许可协议(CLA),声明您有权并确实授予我们使用您贡献的权利。有关详细信息,请访问 https://cla.opensource.microsoft.com。

当您提交拉取请求时,CLA机器人会自动确定您是否需要提供CLA,并适当地修饰PR(例如,状态检查、评论)。只需按照机器人提供的说明操作即可。您只需在使用我们的CLA的所有存储库中执行一次此操作。

本项目已采用微软开源行为准则。 有关更多信息,请参阅行为准则常见问题解答或联系 opencode@microsoft.com 获取任何其他问题或意见。

商标

本项目可能包含项目、产品或服务的商标或标识。微软商标或标识的授权使用必须遵守并遵循微软商标和品牌指南。在本项目的修改版本中使用微软商标或标识不得造成混淆或暗示微软赞助。任何第三方商标或标识的使用均受这些第三方的政策约束。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多